【综述】骨骼肌肉病变影像组学研究进展
文章来源：中华放射学杂志2019,53(9):794-796
作者：陈翩翩 查云飞
影像组学可以进行医学影像学数据分析、提炼和量化，筛选最有价值的影像组学特征来解析临床信息，指导疾病的诊疗。它在骨骼肌肉疾病的诊断和鉴别诊断、治疗方案决策、疗效评估及预后预测等方面均显示出巨大价值。笔者就影像组学在骨骼肌肉疾病的应用现状和未来发展方向进行论述，旨在提高对骨骼肌肉疾病影像组学的认识。
影像组学（Radiomics）采用高通量特征提取算法，对影像图像进行定量分析，充分挖掘分析隐含在图像中的信息，最高效地利用影像检查结果。笔者就影像组学在肌肉骨骼病变，包括骨健康、退行性病变、创伤、肿瘤以及肌肉病变等方向的主要研究及进展进行综述。
一、影像组学在骨质疏松及骨折预测中的应用
早期发现骨质疏松症对于预防骨质疏松相关骨折至关重要。Areeckal等[1]利用X线图像以及纹理分析获取第三掌骨骨皮质指数和远端桡骨骨松质的纹理特征，发现骨皮质厚度（combined cortical thickness，CCT）与双能X线吸收法（dual energy X-ray absorptiometry，DXA）测得的骨密度有正相关（r为0.56）。而后选择了13个重要且高度相关的纹理特征来训练神经网络分类器，其训练精度为94.3%，测试精度为88.5%。该学者的研究表明，X线图像上的皮质指数和松质纹理特征的组合可以作为筛查工具进行大规模人群筛查，早期诊断骨质疏松症。Tabari等[2]发现与正常体重受试者相比，神经性厌食症患者腰椎小梁结构纹理指标中的偏斜度（skewness）和峰度（kurtosis）增加，熵（entropy）和正像素的平均值（mean of positivepixels）降低。这些参数与受试者最低体重和闭经持续时间相关，但与骨矿物质密度无关。这一研究结果表明，小梁纹理分析可能有助于提供神经性厌食症患者的骨骼健康信息。
二、影像组学在骨骼肌肉系统退行性变中的应用
骨关节炎（osteoarthritis，OA）是临床上最常见的慢性退行性关节疾病，严重影响人们生活质量。在不可逆转的改变发生之前进行干预可能会取得良好的预防和治疗效果。因此，早期发现关节软骨与软骨下骨构成的骨-软骨复合单元的结构和功能改变，在OA的发生发展及评估关节退行性改变程度方面有极其重要的作用。
Youssef等[3]使用激光散斑成像技术结合不同基于哈拉利克（Haralick）算法的纹理特征，很容易评估软骨表面微小的结构变化，测量精度高达0.03 μm。其中，对比度特征被证明是评估表面平滑度的最佳特征。Mackay等[4]用10例准备行全膝关节置换术的患者MR检查结果，创建回归模型评估基于MR图像的纹理分析特征与骨体积分数（BV.TV）及骨小梁厚度（Tb.Th）、间距（Tb.Sp）和小梁骨数量（Tb.N）的关联。结果表明MRI纹理特征与胫骨平台软骨下骨小梁指标显著相关。这在探讨OA发病机制和评估治疗效果方面具有潜在的应用价值。陶虹月等[5]利用新西兰大耳兔制作剥脱性骨软骨炎（ssteochondritis dissecans，OCD）模型，实验组行微骨折术、对照组行关节清理术，实验组与对照组均进行3D双回波稳态序列、T2-mapping序列扫描，计算修复厚度指数和T2指数，并与组织学进行对比。结果显示，3D双回波稳态序列、T2-mapping序列分别能反映术后修复组织的厚度、组织构成，能有效评估修复情况，对临床OCD术后的随访具有重要价值。
Peuna等[6]发现基于灰度共生矩阵的纹理分析方法在辨别有症状和无症状的受试者中表现出巨大的作用，大多数纹理特征是高度可重复的。该研究表明通过仔细的参数和特征选择以及算法优化，纹理分析可成为评估膝关节骨性关节炎的有力工具，与相同ROI中T2弛豫时间的平均值相比，检测软骨退化的敏感度更高。Mackay等[7]比较了2种胫骨软骨下骨定量评估方法——纹理分析和小梁微结构分析，发现纹理分析特征具有更高的分类准确性。
三、影像组学在骨骼肌肉系统创伤中的应用
Hofmann等[8]利用MRI对45~79岁的基线Kellgren- Lawrence评分为0~2的，骨关节炎患者的右膝进行了一项嵌套的横断面研究。试验组为自述右膝有外伤史的142例患者，对照组为426例右膝无外伤史的患者。采用协方差调整线性回归分析对试验组和对照组进行比较，结合区域特异性T2均值、层状分析和纹理分析测量异质性结果，探讨早期软骨基质异常；并用全器官MRI评分研究膝关节病变。结果显示与对照组相比，试验组的T2平均值明显升高。通过灰度共生矩阵纹理对比度、方差和熵的测量发现，试验组的软骨异质性也更高。除了在骨骼方面的应用，Kang等[9]对50例冈上肌腱（SST）全层撕裂患者进行1年的随访，其中30例肌腱完整，20例肌腱再撕裂。对所有患者术前T2加权MR关节造影（MRA）的纹理数据灰度共生矩阵进行回顾性分析，以预测术后肌腱的状态。结果显示在所有灰度共生矩阵特征中，肌腱再撕裂组显示出更高的熵、方差和对比度，更低的角度第二力矩和反差矩，以及比完整组更大的撕裂尺寸和回缩尺寸。因此，使用灰度共生矩阵进行纹理分析可以作为预测术后肌腱套修复状态的补充工具。
在临床上，椎体部分压缩性骨折良、恶性的鉴别比较困难。Azevedo-Marques等[10]开发了一款计算机辅助（computer-aided design，CAD）诊断系统，对MR图像进行后处理帮助鉴别恶性和良性椎体部分压缩性骨折。他们研究了47例良恶性椎体骨折的影像，利用波谱和结构属性来区分椎体的良、恶性压缩骨折，得到了良好的效果。此外，该作者正在开发用于椎体自动分割以及椎间盘自动分割和分类的新方法，以实现对脊柱损伤的综合辅助诊断。
四、影像组学在肌肉病变中的应用
Carlier等[11]报道，DWI和纹理分析算法可以分别在微观和中观尺度上生成肌肉组织的补充信息。Martins-Bach等[12]采用4种不同营养不良表型小鼠品系进行MRI纹理分析研究，结果显示4种小鼠品系都可以通过纹理分析进行明确地识别。因此，组合T2加权图像和纹理分析是区分具有不同基因型和表型的营养不良肌肉的有效方法。这为评估肌肉营养不良治疗效果提供了重要的非侵入性方法。Mannil等[13]利用MRI纹理分析，评估腰椎管狭窄症（LSS）患者的椎旁肌组织脂肪浸润。结果显示使用直方图纹理特征'平均值'定量评估脂肪浸润，与脂肪浸润影像评分相比，显示出更高的可靠性，证明MR纹理分析是一种用于定量评估椎旁脂肪浸润的可重复的工具。
CT、MRI和PET具有标准化的扫描协议，更易于进行医学大数据分析。相比以上3种成像技术，超声因无创、无辐射、操作简单、快速成像和价格便宜等优势，在我国各级医院中被广泛用于临床诊疗工作。因此，若将影像组学方法扩展至超声图像，对疾病的早期诊断和预后预测将具有极大的价值。Sogawa等[14]通过超声检查评估神经源性和肌源性疾病中骨骼肌的多重纹理特征，证实肌肉纹理分析的数据可以区分神经源性和肌源性疾病，并且可用于发病机制的研究。
五、影像组学在骨骼肌肉系统肿瘤中的应用
2014年，北美放射学会上，Gillies在大会主题报告中提及，通过对影像可量化微环境的深入分析，预测肿瘤遗传异质性的程度。Xu等[15]利用纹理分析方法分析了恶性和良性骨及软组织病变的标准化摄取值和CT值的分布异质性，提高了18 F-FDG PET-CT图像鉴别诊断的效能。Lisson等[16]回顾性分析了11例低级别软骨肉瘤患者和11例内生软骨瘤患者的影像资料，对病变进行纹理分析：从4个MRI序列中获得峰度、熵、偏度、正像素平均值和正像素分布均匀性，并与组织病理学相关联。研究结果表明基于MRI 3D纹理分析能够通过多个纹理特征来鉴别低级别软骨肉瘤和内生软骨瘤。Zhou等[17]建立了骨MR图像中骨髓变化的定量测量方法，并研究其评估多发性骨髓瘤患者对治疗反应的能力，及用定量反应指数鉴别应答者和非应答者的可行性，研究结果与临床结果基本一致，表明该定量指标有可能成为评价多发性骨髓瘤治疗反应的图像标志。
影像组学方法不仅在肿瘤分型、诊断方面发挥巨大作用，在治疗计划的确定及预后监测方面也取得了可靠的结果。Yi等[18]比较了骨巨细胞瘤经过狄诺塞麦治疗前后的CT影像组学特征，包括肿瘤大小、纹理和直方图测量。结果表明经过狄诺塞麦治疗后骨巨细胞瘤纹理特征局部同质性的增加，可能有助于评估治疗效果和预后。Rabelo等[19]通过18F-FDG PET-CT和纹理分析对20例口腔鳞癌手术切除的下颌标本，进行皮质微结构分析，发现靠近肿瘤部位的下颌骨皮质的骨表面积比手术切缘的骨表面积多，并且肿瘤侵入导致各向异性减少。这证明了在鳞状细胞癌病变附近的下颌骨皮质微结构的变化。
六、影像组学发展趋势与挑战
影像组学采用定量化技术提取病灶的特征，任何影响定量化研究的技术因素都会对研究结果产生影响。然而，由于影像组学技术在医学领域研究应用的时间相对较短，迄今国际上仍未建立起影像组学研究的规范化流程，缺乏严格的质量控制体系。数据收集、病灶的提取（分割）、特征提取均没有严格的流程和可以参照的标准。首先，在图像获取过程中的细节差异，如设备、扫描算法、参数设置、对比剂种类等都会对获取的图像产生影响，进而影响后期数据处理、分析结果[20]。其次，病灶特征提取的前提是病灶区域的准确分割。部分骨骼肌肉病变形态结构不规则、与周围结构分界不清，手动勾画ROI时不同的操作者间的结果也存在一定差别[21]。现有的关于骨骼肌肉疾病方面的影像组学研究大多是单一机构的小样本探索，所得结论缺乏广泛验证。因此，要获取标准化、大样本量的影像数据库十分困难。可预见，未来影像组学必须经过多中心、大样本、随机对照临床试验反复检验和提炼，才能准确、可靠、有效地指导临床医疗策略。最后，有限样本下用大量特征进行分类和预测，不仅计算时间长，效果也非最优。高通量影像特征提取后，需采用特征选择方法获得最佳性能表现的特征集，输入至准确可靠的机器学习算法或统计学途径建立分类或预测模型。因此，更准确、适用广泛的特征选择和模式识别方法是影像组学的突破点。
综上所述，在进行影像组学研究时需要高度注意研究过程的规范方法、选择客观的标准进行对照，建立科学的模型实现对疾病智能化诊断及治疗效果和预后的预测。影像组学作为一种新兴研究方法，尚有许多关键科学问题和技术有待进一步探索。相信随着医学影像学数据的不断积累和标准化，以及各类图像分割、特征提取、特征选择和模式识别方法的迅速发展，影像组学将会对临床医学产生深远的影响和发生巨大的变革。
参考文献（略）